[發明專利]一種面向平面交叉口的車輛碰撞風險評估及預測方法

有效

• 申請號: 202011357563.8
• 申請日: 2020-11-26
• 公開（公告）號: CN112466158B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 李旭;胡錦超;徐啟敏;胡瑋明
• 申請（專利權）人: 東南大學
• 主分類號: G08G1/16
• 分類號: G08G1/16;G06K9/62;G06N3/04;G06Q10/06
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 杜靜靜

1.一種面向平面交叉口的車輛碰撞風險評估及預測方法，其特征在于：所述方法包括以下步驟：

步驟一、確定影響車輛碰撞的風險因素；

步驟二、搭建并訓練基于LSTM網絡的車輛碰撞風險評估及預測模型；

步驟三、實時評估及預測平面交叉口的車輛碰撞風險；

所述步驟一、確定影響車輛碰撞的風險因素，具體如下：

子步驟(1)、為便于分析評估平面交叉口的車輛碰撞風險，將平面交叉口道路區域柵格化，劃分成若干個a×b的網格區域，a表示網格區域的長度，b表示網格區域的寬度，逐個評估、預測各個網格區域內的車輛碰撞風險，后續步驟以網格區域O為例敘述，其他區域類同；

子步驟(2)、確定網格區域O內影響車輛碰撞的運動學因素，利用智能路側設備，含毫米波雷達和視覺傳感器，獲取影響車輛碰撞的運動信息，網格區域O內車輛位置p、車輛速度v；

子步驟(3)、確定網格區域O內影響車輛碰撞的駕駛員行為因素，若網格區域O內有車輛目標，則依據影響車輛碰撞的運動信息，基于隱馬爾科夫的前向-后向算法估計模型參數，進而利用維特比算法識別網格區域O內車輛的駕駛行為，包括左轉LT、右轉RT、直行GS、左變道LC、右變道RC五種行為；

子步驟(4)、確定影響車輛碰撞的交通環境因素，交通環境因素包括車道數量Num、車道寬度Wid、控制形式Con、濕度條件Hum四個方面的交通環境先驗信息，其中，控制形式Con取值有信號燈控制、無信號燈控制，濕度條件Hum取值有干燥、較濕；

子步驟(5)、網格區域O的五個相鄰區域：左方區域、前方區域、左前區域、右方區域，右前區域內影響車輛碰撞的因素也確定為運動學因素、駕駛員行為因素、交通環境因素，按照子步驟(2)至子步驟(4)執行相同的操作；

子步驟(6)、確定網格區域O內車輛碰撞風險評估及預測模型的輸入量In及輸出量Out，考慮網格區域O內車輛碰撞受到相鄰區域的影響，車輛碰撞風險評估及預測模型的輸入量In包括：

網格區域O：(p₁,v₁,LT₁/RT₁,LC₁/RC₁,Num₁,Wid₁,Con₁,Hum₁)，

左方區域：(p₂,v₂,LT₂/RT₂,LC₂/RC₂,Num₂,Wid₂,Con₂,Hum₂)，

前方區域：(p₃,v₃,LT₃/RT₃,LC₃/RC₃,Num₃,Wid₃,Con₃,Hum₃)，

左前區域：(p₄,v₄,LT₄/RT₄,LC₄/RC₄,Num₄,Wid₄,Con₄,Hum₄)，

右方區域：(p₅,v₅,LT₅/RT₅,LC₅/RC₅,Num₅,Wid₅,Con₅,Hum₅)，

右前區域：(p₆,v₆,LT₆/RT₆,LC₆/RC₆,Num₆,Wid₆,Con₆,Hum₆)，

其中，p₁表示網格區域O內車輛位置，v₁表示網格區域O內車輛速度，LT₁表示網格區域O內車輛左轉向，RT₁表示網格區域O內車輛右轉向，LT₁/RT₁表示該位置取值為LT₁或RT₁，LC₁表示網格區域O內車輛左變道，RC₁表示網格區域O內車輛右變道，LC₁/RC₁表示該位置取值為LC₁或RC₁，Num₁表示行駛方向的車道數量，Wid₁表示行駛方向車道寬度，Con₁表示交通燈控制形式，Hum₁表示濕度條件，左方區域、前方區域、左前區域、右方區域、右前區域中符號表示含義與網格區域O中符號表示含義類同；

即輸入量In是由網格區域O及其五個相鄰區域構成的48維向量：

In＝(p₁,v₁,LT₁/RT₁,LC₁/RC₁,Num₁,Wid₁,Con₁,Hum₁，p₂,v₂,LT₂/RT₂,LC₂/RC₂,Num₂,Wid₂,Con₂,Hum₂，p₃,v₃,LT₃/RT₃,LC₃/RC₃,Num₃,Wid₃,Con₃,Hum₃，p₄,v₄,LT₄/RT₄,LC₄/RC₄,Num₄,Wid₄,Con₄,Hum₄，p₅,v₅,LT₅/RT₅,LC₅/RC₅,Num₅,Wid₅,Con₅,Hum₅，p₆,v₆,LT₆/RT₆,LC₆/RC₆,Num₆,Wid₆,Con₆,Hum₆)

車輛碰撞風險等級作為網格區域O內車輛碰撞風險評估及預測模型的輸出量Out，車輛碰撞風險等級Risk包括嚴重危險、較為危險、一般危險、較為安全、安全五種取值；

步驟二、搭建并訓練基于LSTM網絡的車輛碰撞風險評估及預測模型，具體如下：

子步驟(1)、設置仿真試驗，制作樣本數據集，利用車輛與交通仿真軟件Prescan，設置多組車輛碰撞試驗，制作樣本數據集，在此基礎上，改變轉向、換道駕駛員行為因素以及車道數量Num、車道寬度Wid、控制形式Con、濕度條件Hum四個方面的交通環境因素，根據評估專家經驗標注仿真試驗過程中的車輛碰撞風險等級，獲取多組樣本數據；

子步驟(2)、預處理樣本數據，對網格區域O及其相鄰區域內樣本數據進行歸一化處理，然后將樣本數據轉化為有監督學習問題，設置時間步長為1；

子步驟(3)、搭建基于LSTM網絡的網格區域內車輛碰撞風險評估及預測模型，考慮智能路側設備算力有限，擬設置隱藏層為50個LSTM神經元，輸出層1個神經元，輸入變量是1個時間步的特征，即輸入變量的時間步為t-1，輸出樣本標簽的時間步為t，

子步驟(4)、評估模型，計算損失，將模型的預測結果和樣本數據集的部分測試數據組合，再結合均方根誤差計算損失，若損失小于閾值，則進行下一步，設置閾值為1，即認為輸出的車輛碰撞風險等級誤差不大于1；否則返回子步驟(2)，重新構建基于LSTM網絡的網格區域O的車輛碰撞風險評估及預測模型；

步驟三、實時評估及預測平面交叉口的車輛碰撞風險，具體如下：

子步驟(1)、將步驟二中訓練完成的基于LSTM網絡的網格區域的車輛碰撞風險評估模型部署在智能路側設備中，輸入智能路側設備感知的網格區域O內影響車輛碰撞的48維向量In，車輛碰撞風險評估模型輸出Out即為網格區域O車輛碰撞風險等級，同時記錄發生碰撞的網格區域O的位置p；

子步驟(2)、將時間步分別調整為t+5、t+10、t+20，重新執行步驟二，根據模型輸出分別預測網格區域O在0.5秒后、1秒后、2秒后的車輛碰撞風險等級：

子步驟(3)、平面交叉口其他區域內車輛碰撞風險評估及預測方法也按照步驟一至步驟二執行；

最終輸出：1、當前時刻平面交叉口所有柵格化區域的車輛碰撞風險等級；2、0.5秒后平面交叉口所有柵格化區域的車輛碰撞風險等級；3、1秒后平面交叉口所有柵格化區域的車輛碰撞風險等級；4、2秒后平面交叉口所有柵格化區域的車輛碰撞風險等級。